我想训练一个模型，根据身体信号来预测一个人的情绪。我有三个物理信号并将其用作输入功能；
ecg（心电图），gsr（皮肤电反应）， temp（temparature）
在我的数据集中，每个参与者有 312 条记录，每条记录中有 18000 行数据。因此，当我将它们组合到一个数据框中时，总共有 5616000 行。
这是我的x_train数据框；
ecg gsr temp
0 0.1912 0.0000 40.10
1 0.3597 0.0000 40.26
2 0.3597 0.0000 40.20
3 0.3597 0.0000 40.20
4 0.3597 0.0000 40.33
5 0.3597 0.0000 40.03
6 0.2739 0.0039 40.13
7 0.1641 0.0031 40.20
8 0.0776 0.0025 40.20
9 0.0005 0.0020 40.26
10 -0.0375 0.0016 40.03
11 -0.0676 0.0013 40.16
12 -0.1071 0.0010 40.20
13 -0.1197 0.0047 40.20
.. ....... ...... .....
.. ....... ...... .....
.. ....... ...... .....
5616000 0.0226 0.1803 38.43
我有6个与情感相对应的课程。我已经用数字对这些标签进行了编码；
愤怒= 0，平静= 1，厌恶= 2，恐惧= 3，幸福= 4，悲伤 = 5
这是我的y_train;
emotion
0 0
1 0
2 0
3 0
4 0
. .
. .
. .
18001 1
18002 1
18003 1
. .
. .
. .
360001 2
360002 2
360003 2
. .
. .
. .
. .
5616000 5
要养活我的CNN模型，我需要重塑我的火车示例。我已经做到了；
train_x = train_x.values.reshape(5616000,3,1) #because I have 5616000 rows and 3 input features
train_y = train_y.values.reshape(5616000,1)
重塑后，我创建了我的CNN模型；
model = Sequential()
model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3)))
model.add(Conv1D(100,700,activation='relu'))
model.add(MaxPooling1D(4))
model.add(Conv1D(160,700,activation='relu'))
model.add(Conv1D(160,700,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1,activation='softmax'))
model.compile(optimizer = sgd, loss = 'binary_crossentropy', metrics = ['acc'])
model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)
这给了我以下错误；
ValueError：检查输入时出错：预期conv1d_96_input具有形状（5616000，3），但形状为（3，1）的数组
无论我尝试了什么，我都无法使它起作用。谢谢您的帮助。
答案 0 :(得分：0)
问题出在model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3)))。因为这里input_shape将是(3,1)，所以您具有3种输入功能。像这样使用，
model.add(Conv1D(100,700,activation='relu',input_shape=(3,1)))
您有5616000个样本，可用于对选定的model.fit进行batch_size = 32。因此，在每次迭代中，将从5616000中抽取32个样本并进行训练。
更新1
对于您的用例，而不是使用Conv1D，可以使用Dense，因为您只有3个功能。我建议这样做，
train_x = train_x.values.reshape(5616000,3)
，对于您的train_y，您需要预测6个类，因此需要进行one hot encoding。因此，train_y对您来说将是
train_y = keras.utils.to_categorical(train_y.values.reshape(5616000,1), num_classes=6)
然后您的模型将是这样，
model = Sequential()
model.add(InputLayer(input_shape=(3,)))
model.add(Dense(8,activation='relu'))
model.add(Dense(10,activation='relu'))
model.add(Dense(8,activation='relu'))
model.add(Dense(6,activation='softmax'))
您的用例是多类分类，请查找here多类和二进制分类之间的区别。现在模型编译将是
model.compile(optimizer = sgd, loss = 'categorical_crossentropy', metrics = ['acc'])
和适合的人都一样，
model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)
更新2
如果您认为密集层还不够，也可以尝试一下。由于必须在Dense层中添加更多的神经元或添加更多的hiddent层，因此，您将获得更多可训练的参数，并且有帮助。您只有三个功能，因此，Conv1D中的内核大小必须根据这样的选择，model.add(Conv1D(100,700,activation='relu',input_shape=(3,1)))。我认为它也应该起作用。
model=Sequential()
model.add(InputLayer(input_shape=(3,1)))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(6, activation='softmax'))
model.summary()
Layer (type) Output Shape Param #
=================================================================
conv1d_1 (Conv1D) (None, 2, 100) 300
_________________________________________________________________
conv1d_2 (Conv1D) (None, 1, 100) 20100
_________________________________________________________________
conv1d_3 (Conv1D) (None, 1, 128) 12928
_________________________________________________________________
conv1d_4 (Conv1D) (None, 1, 128) 16512
_________________________________________________________________
dropout_1 (Dropout) (None, 1, 128) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 128) 0
_________________________________________________________________
dense_1 (Dense) (None, 6) 774
=================================================================
Total params: 50,614
Trainable params: 50,614
Non-trainable params: 0
_________________________________________________________________